論文の概要: Assessing the Impact of Fleet Size on Crowdsourced Mapping Using a Dissimilarity Measure
- arxiv url: http://arxiv.org/abs/2609.29198v1
- Date: Thu, 24 Sep 2026 08:08:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.787945
- Title: Assessing the Impact of Fleet Size on Crowdsourced Mapping Using a Dissimilarity Measure
- Title（参考訳）: 異種性尺度を用いたクラウドソースマッピングにおける艦隊規模の影響評価
- Abstract要約: 本稿では,GOSPAMと呼ばれる異種性尺度を用いて,クラウドソーシングによる交通標識のメンテナンスを評価するためのシミュレーションベースのフレームワークを提案する。
複数の車両からの観測は、空間クラスタリングとセマンティックフィルタリングを用いて集約され、交通標識の位置を推定する。
その結果,GOSPAMは,最初の車両によるコントリビューションや多数の車両による改善など,クラウドソースマッピングの質を効果的に評価できることがわかった。
- 参考スコア（独自算出の注目度）: 1.3267048706241158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate digital maps are essential for Advanced Driver Assistance Systems (ADAS) or Autonomous Driving (AD), providing critical information such as road geometry, traffic signs and speed limits required by safety functions including Intelligent Speed Assistance (ISA). Maintaining these map layers using traditional surveying methods is costly and difficult to scale. Crowdsourced approaches based on fleets provide a promising alternative for continuously validating and updating map information. However, the relationship between the number of contributing vehicles and the quality of the resulting map remains poorly understood. To address this gap, this paper presents a simulation-based framework for evaluating crowdsourced traffic sign maintenance using a dissimilarity measure called GOSPAM (Generalized Optimal SubPattern Assignment for Maps), which combines localization errors with detection performance by accounting for False Positives (FP) and False Negatives (FN). The proposed system models multivehicle observations with representative sensor noise, detection errors, and semantic recognition uncertainties. Observations from multiple vehicles are aggregated using spatial clustering and semantic filtering to estimate traffic sign locations. Using simulated trajectories generated from data carried out by an experimental vehicle in an area containing ground-truth traffic signs, we assess the influence of fleet size on the performance of crowdsourced mapping. The number of vehicles ranges from 5 to 50, and performance is analyzed using standard evaluation metrics which are compared to the GOSPAM . The results show that GOSPAM can be used to effectively assess the quality of crowdsourced mapping, such as the contributions made by the first vehicles or the improvements made by numerous vehicles.
- Abstract（参考訳）: 正確なデジタルマップは、高度運転支援システム(ADAS)や自律運転システム(AD)にとって必須であり、道路形状、交通標識、インテリジェントスピードアシスト(ISA)を含む安全機能に必要な速度制限などの重要な情報を提供する。
従来の調査手法によるマップレイヤの維持は費用がかかり、スケールが難しい。
フリートに基づくクラウドソーシングアプローチは、マップ情報の継続的な検証と更新のための有望な代替手段を提供する。
しかし、貢献車数と結果の地図の質との関係はよく分かっていない。
このギャップを解消するために, GOSPAM (Generalized Optimal SubPattern Assignment for Maps) と呼ばれる異種性指標を用いて, クラウドソーシングによる交通標識のメンテナンスを評価するためのシミュレーションベースのフレームワークを提案し, 偽陽性 (FP) と偽陰性 (FN) を考慮し, 局所化誤差と検出性能を組み合わせた。
提案システムでは, センサノイズ, 検出誤差, 意味認識の不確実性を考慮した多車両観測をモデル化した。
複数の車両からの観測は、空間クラスタリングとセマンティックフィルタリングを用いて集約され、交通標識の位置を推定する。
地上交通標識を含む地域で実験車両が行ったデータから生成された擬似軌道を用いて,クラウドソースマッピングの性能に及ぼす艦隊規模の影響を評価する。
車両数は5台から50台までであり,GOSPAMと比較した標準評価指標を用いて性能分析を行った。
その結果,GOSPAMは,最初の車両によるコントリビューションや多数の車両による改善など,クラウドソースマッピングの質を効果的に評価できることがわかった。
関連論文リスト
- Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections [4.534054317956599]
本研究では,様々な交差点を横断する車両遅延を推定するためのドメイン適応(DA)フレームワークを提案する。
新たなDAモデルであるGradient Boosting with Balanced Weighting (GBBW)は、ターゲットドメインとの類似性に基づいてソースデータを重み付けする。
8つの最先端ML回帰モデルと7つのインスタンスベースのDA手法で性能を評価する。
論文 参考訳（メタデータ） (2025-10-01T05:19:50Z) - Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。
車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。
当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
論文 参考訳（メタデータ） (2025-07-01T09:20:41Z) - Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques [0.0]
本研究では,高速道路センサからの交通流データの解析にクラスタリング手法を用いる。
複数のクラスタリング手法、すなわちパーティショニングと階層的手法を、様々な時系列表現と類似度尺度と組み合わせて検討する。
本手法は高速道路センサのリアルタイムデータに適用し,異なるクラスタリングフレームワークが交通パターン認識に与える影響を評価する。
論文 参考訳（メタデータ） (2025-04-01T15:09:39Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
交通流推定(TFE)はインテリジェント交通システムにおいて重要である。
本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。
このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
論文 参考訳（メタデータ） (2024-07-10T20:26:04Z) - Semantic Map Learning of Traffic Light to Lane Assignment based on
Motion Data [12.853720506838043]
自動運転車は通常、車線への信号の割り当てに関する情報を含むHigh Definition (HD)マップに依存している。
これらの問題を解決するために,交通信号の状態と対応する車両交通の動作パターンから課題を導出する。
Lyft Level 5データセット用の公開APIによって、研究者は独自のアプローチを開発し、評価することができます。
論文 参考訳（メタデータ） (2023-09-26T09:42:21Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。
深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。
提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文 参考訳（メタデータ） (2021-11-03T10:17:48Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。
本稿では,従来のアプローチのさらなる発展について述べる。
複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
論文 参考訳（メタデータ） (2020-08-09T09:26:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。